基于Python實(shí)現(xiàn)的遺傳算法

第1部分遺傳算法基礎(chǔ)
第1章遺傳算法簡(jiǎn)介
1．1遺傳算法的概念
1．1．1達(dá)爾文進(jìn)化論
1．1．2遺傳算法分析
1．2遺傳算法背后的理論
1．3與傳統(tǒng)算法的區(qū)別
1．3．1種群基礎(chǔ)
1．3．2基因編碼
1．3．3適應(yīng)度函數(shù)
1．3．4概率行為
1．4遺傳算法的優(yōu)點(diǎn)
1．4．1全局優(yōu)化
1．4．2處理復(fù)雜問(wèn)題
1．4．3處理缺少數(shù)學(xué)模型的問(wèn)題
1．4．4抗噪聲能力
1．4．5并行處理
1．4．6持續(xù)學(xué)習(xí)
1．5遺傳算法的局限性
1．5．1特殊定義
1．5．2超參數(shù)優(yōu)化
1．5．3計(jì)算密集型操作
1．5．4過(guò)早收斂
1．5．5無(wú)絕對(duì)最優(yōu)解
1．6遺傳算法的適用情形
小結(jié)
拓展閱讀
第2章理解遺傳算法的關(guān)鍵要素
2．1遺傳算法的基本流程
2．1．1創(chuàng)建初始種群
2．1．2計(jì)算適應(yīng)度值
2．1．3應(yīng)用選擇、交叉和變異算子
2．1．4迭代停止的條件
 
 
2．2選擇算子
2．2．1輪盤(pán)賭選擇
2．2．2隨機(jī)通用抽樣
2．2．3基于排序的選擇
2．2．4適應(yīng)度縮放
2．2．5錦標(biāo)賽選擇
2．3交叉算子
2．3．1單點(diǎn)交叉
2．3．2兩點(diǎn)交叉和k點(diǎn)交叉
2．3．3均勻交叉法
2．3．4有序列表的交叉
2．3．5順序交叉
2．4變異算子
2．4．1反轉(zhuǎn)變異
2．4．2交換變異
2．4．3逆序變異
2．4．4重組變異
2．5實(shí)數(shù)編碼的遺傳算法
2．5．1混合交叉
2．5．2模擬二進(jìn)制交叉
2．5．3實(shí)數(shù)變異
2．6理解精英保留策略
2．7小生境和共享
2．8遺傳算法解決問(wèn)題的應(yīng)用方法
小結(jié)
拓展閱讀
第2部分使用遺傳算法解決問(wèn)題
第3章DEAP框架的使用
3．1技術(shù)要求
3．2DEAP簡(jiǎn)介
3．3使用creator模塊
3．3．1創(chuàng)建Fitness類(lèi)
3．3．2創(chuàng)建Individual類(lèi)
3．4使用Toolbox類(lèi)
3．4．1創(chuàng)建遺傳算子
3．4．2創(chuàng)建種群
3．4．3計(jì)算適應(yīng)度
3．5OneMax問(wèn)題
3．6使用DEAP解決OneMax問(wèn)題
3．6．1選擇染色體
3．6．2計(jì)算適應(yīng)度值
3．6．3選擇遺傳算子
3．6．4設(shè)置停止條件
3．7使用DEAP實(shí)現(xiàn)算法
3．7．1準(zhǔn)備工作
3．7．2演化求解
3．7．3運(yùn)行程序
3．8使用內(nèi)置算法
3．8．1Statistics對(duì)象
3．8．2算法
3．8．3logbook對(duì)象
3．8．4運(yùn)行程序
3．8．5添加名人堂 
3．9算法參數(shù)設(shè)置實(shí)驗(yàn)
3．9．1種群規(guī)模與代數(shù)
3．9．2交叉算子
3．9．3變異算子
3．9．4選擇算子
小結(jié)
拓展閱讀
第4章組合優(yōu)化
4．1技術(shù)要求
4．2搜索問(wèn)題和組合優(yōu)化
4．3求解背包問(wèn)題
4．3．1Rosetta Code 01背包問(wèn)題
4．3．2解的表示
4．3．3Python問(wèn)題表示
4．3．4遺傳算法的解
4．4求解TSP問(wèn)題
4．4．1TSPLIB基準(zhǔn)文件
4．4．2解的表示
4．4．3Python問(wèn)題表示
4．4．4遺傳算法的解
4．4．5使用強(qiáng)化探索和精英保留來(lái)改進(jìn)結(jié)果
4．5求解VRP問(wèn)題
4．5．1解的表示
4．5．2Python問(wèn)題表示
4．5．3遺傳算法的解
小結(jié)
拓展閱讀
第5章約束滿足
5．1技術(shù)要求
5．2搜索問(wèn)題中的約束滿足
5．3求解N皇后問(wèn)題
5．3．1解的表示方式
5．3．2Python對(duì)問(wèn)題的表示方式
5．3．3遺傳算法求解N皇后問(wèn)題
5．4求解護(hù)士排班問(wèn)題
5．4．1解的表示方式
5．4．2硬約束與軟約束
5．4．3基于Python的問(wèn)題表示
5．4．4遺傳算法求解護(hù)士排班問(wèn)題
5．5求解圖著色問(wèn)題
5．5．1解的表示方式
5．5．2使用硬約束和軟約束解決圖著色問(wèn)題
5．5．3基于Python的問(wèn)題表示
5．5．4遺傳算法求解
小結(jié)
拓展閱讀
第6章連續(xù)函數(shù)優(yōu)化
6．1技術(shù)要求
6．2實(shí)數(shù)染色體與實(shí)數(shù)遺傳算子
6．3連續(xù)函數(shù)下的DEAP應(yīng)用
6．4優(yōu)化Eggholder函數(shù)
6．4．1利用遺傳算法優(yōu)化Eggholder函數(shù)
6．4．2增加變異率來(lái)提高速度
6．5優(yōu)化Himmelblau函數(shù)
6．5．1用遺傳算法優(yōu)化Himmelblau函數(shù)
6．5．2利用小生境和共享來(lái)尋找多個(gè)解
6．6Simionescu函數(shù)與約束優(yōu)化
6．6．1基于遺傳算法的約束優(yōu)化
6．6．2用遺傳算法優(yōu)化Simionescu函數(shù)
6．6．3使用約束尋找多個(gè)解
小結(jié)
拓展閱讀
第3部分遺傳算法的人工智能應(yīng)用
第7章使用特征選擇改善機(jī)器學(xué)習(xí)模型
7．1技術(shù)要求 
7．2有監(jiān)督機(jī)器學(xué)習(xí)
7．2．1分類(lèi)
7．2．2回歸 
7．2．3有監(jiān)督學(xué)習(xí)算法 
7．3有監(jiān)督學(xué)習(xí)中的特征選擇 
7．4Friedman1選擇特征問(wèn)題 
7．4．1解的表示 
7．4．2Python問(wèn)題表示 
7．4．3遺傳算法求解 
7．5分類(lèi)數(shù)據(jù)集Zoo的特征選擇
7．5．1Python問(wèn)題表示
7．5．2遺傳算法求解 
小結(jié)
拓展閱讀
第8章機(jī)器學(xué)習(xí)模型的超參數(shù)優(yōu)化
8．1技術(shù)要求
8．2機(jī)器學(xué)習(xí)中的超參數(shù)
8．2．1超參數(shù)優(yōu)化
8．2．2Wine數(shù)據(jù)集
8．2．3自適應(yīng)增強(qiáng)分類(lèi)器
8．3基于遺傳算法的網(wǎng)格搜索來(lái)優(yōu)化超參數(shù)
8．3．1測(cè)試分類(lèi)器的默認(rèn)性能
8．3．2運(yùn)行常規(guī)的網(wǎng)格搜索
8．3．3運(yùn)行基于遺傳算法的網(wǎng)格搜索
8．4直接使用遺傳算法優(yōu)化超參數(shù)
8．4．1超參數(shù)表示
8．4．2評(píng)估分類(lèi)器的準(zhǔn)確性
8．4．3使用遺傳算法優(yōu)化超參數(shù)
小結(jié)
拓展閱讀
第9章深度學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化
9．1技術(shù)要求
9．2人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
9．2．1多層感知器
9．2．2深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò) 
9．3優(yōu)化深度學(xué)習(xí)分類(lèi)器的架構(gòu)
9．3．1鳶尾花數(shù)據(jù)集
9．3．2表示隱藏層的配置
9．3．3評(píng)估分類(lèi)器的準(zhǔn)確性
9．3．4使用遺傳算法優(yōu)化 MLP 架構(gòu)
9．4將架構(gòu)優(yōu)化與超參數(shù)優(yōu)化相結(jié)合
9．4．1解的表示
9．4．2評(píng)估分類(lèi)器的準(zhǔn)確性
9．4．3使用遺傳算法優(yōu)化 MLP 的組合配置
小結(jié)
拓展閱讀
第10章基于遺傳算法的強(qiáng)化學(xué)習(xí)
10．1技術(shù)要求
10．2強(qiáng)化學(xué)習(xí)
10．3OpenAI Gym
10．4處理MountainCar環(huán)境問(wèn)題
10．4．1解的表示
10．4．2解的評(píng)估
10．4．3基于Python的問(wèn)題表示
10．4．4遺傳算法求解
10．5處理CartPole環(huán)境問(wèn)題
10．5．1用神經(jīng)網(wǎng)絡(luò)控制CartPole
10．5．2解的表示和評(píng)估
10．5．3基于Python的問(wèn)題表示
10．5．4遺傳算法求解
小結(jié)
拓展閱讀
第4部分相關(guān)方法
第11章遺傳圖像重建
11．1技術(shù)要求
11．2用多邊形重建圖像
11．3Python中的圖像處理
11．3．1Python圖像處理庫(kù)
11．3．2用多邊形繪制圖像
11．3．3測(cè)量圖像之間的差異
11．4利用遺傳算法重建圖像
11．4．1解的表示與評(píng)價(jià)
11．4．2基于Python的問(wèn)題表示
11．4．3遺傳算法的實(shí)現(xiàn)
11．4．4圖像重建結(jié)果
小結(jié)
拓展閱讀
第12章其他進(jìn)化和生物啟發(fā)計(jì)算方法
12．1技術(shù)要求
12．2進(jìn)化計(jì)算和生物啟發(fā)計(jì)算
12．3遺傳編程
12．3．1遺傳編碼示例——偶校驗(yàn)
12．3．2遺傳編程實(shí)現(xiàn)
12．3．3簡(jiǎn)化的解
12．4粒子群優(yōu)化算法
12．4．1PSO實(shí)例——函數(shù)優(yōu)化
12．4．2粒子群優(yōu)化實(shí)現(xiàn)
12．5其他相關(guān)方法
12．5．1進(jìn)化策略
12．5．2差分進(jìn)化算法
12．5．3蟻群算法
12．5．4人工免疫系統(tǒng)
12．5．5人工生命
小結(jié)
拓展閱讀